
AX · SILLOK / HARNESS
모델을 업그레이드하고 나니 질문이 바뀌었습니다. 이제는 모델의 능력만큼, 그 주변에 쌓아 둔 지침과 도구가 궁금해졌습니다. 오래된 하네스가 새 엔진의 판단을 가로막고 있지는 않을까요.
Sillok의 코드를 아키텍처 관점에서 다시 읽고 실험을 진행했습니다. 이 글의 중심은 추론은 모델에 맡기고, 하네스는 관련 근거와 실행 조건을 정확히 연결하자는 설계 원칙입니다. 그렇게 구성할 때 서로의 강점을 결합할 여지가 생깁니다. 아무런 영향이나 비용이 없다는 뜻은 아닙니다.
① Sillok은 업무의 원천·도구·완료 기준을 연결하는 제어 계층입니다. 시너지는 이 연결이 실제로 도움이 되는 업무에서 확인해야 합니다.
② Astra high 합성 과제 36회는 모두 통과했습니다. 전체 지침 조건의 누적 입력 토큰은 기준보다 50.1% 늘었습니다. 품질 향상이나 동등성을 입증한 결과는 아닙니다.
③ 같은 탐색 결과를 유지하며 공유 훅의 계측 중앙 지연을 16.6% 줄였습니다. ultra의 효과와 하네스와의 상호작용은 별도 실험이 필요합니다.
이 글은 Project Research의 자체 실험과 작업 기록을 바탕으로 작성했습니다. Sillok 아키텍트 역할을 맡은 별도 AI 에이전트가 구조와 주장 범위를 검토했습니다. 같은 모델 계열의 협업이며, 외부 기관의 독립 인증은 아닙니다.
Part 1강한 모델에도 업무의 원천은 필요합니다
추론 능력과 업무 정보에 대한 접근은 서로 다른 문제입니다. 모델이 복잡한 코드를 이해하더라도, 저장소의 최신 결정이나 회사가 정한 완료 조건을 저절로 알 수는 없습니다. 하네스는 이런 정보를 찾고 사용할 수 있게 만드는 실행 환경입니다.
여기서는 세 층을 구분합니다. Astra는 추론 모델, Codex 같은 호스트는 모델과 도구 사이의 실행 반복을 담당합니다. Sillok은 그 위에서 업무에 맞는 계약과 원천을 선택하는 제어 계층입니다. OpenAI도 Codex의 핵심을 사용자·모델·도구 사이의 반복 실행으로 설명합니다. OpenAI의 agent loop 설명.

Sillok이 모델 가중치를 바꾸는 것은 아닙니다. 하지만 입력과 도구를 바꾸면 모델이 하는 일도 달라질 수 있습니다. 관련 없는 규칙을 추가하거나 필요한 파일을 빠뜨리는 것도 영향입니다. 따라서 바깥 계층이라는 이유만으로 무영향을 선언할 수는 없습니다.
실무에서 기대하는 시너지는 구체적입니다. 하네스는 최신 근거, 수정 범위, 단위와 식별자, 승인된 외부 행동의 범위, 통과해야 할 검사를 제공합니다. 모델은 그 안에서 문제를 해석하고 해결합니다. OpenAI의 하네스 운영 사례도 읽을 수 있는 저장소 지식과 도구로 검사하는 경계를 강조합니다. Harness engineering.
Part 2Astra와 ultra는 같은 종류의 이름이 아닙니다
Astra는 모델 이름이고, ultra는 현재 사용 환경에서 보이는 추론 노력 수준 표기입니다. 이 글의 통제 실험에서 요청한 값은 gpt-6-astra, high였습니다. 제목의 Astra/ultra는 우리가 검토하려는 사용 구성을 뜻합니다. ultra의 성능을 측정한 실험이라는 뜻은 아닙니다.
2026년 9월 13일 확인한 공개 Astra API 문서에는 low·medium·high·xhigh·max가 열거되어 있습니다. ultra와 공개 API 값의 정확한 대응은 확인하지 못했습니다. 호스트 표기를 임의로 max와 같다고 놓지 않았습니다. Astra 모델 문서.
같은 주에 나온 공식 지침도 이 문제와 맞닿아 있습니다. OpenAI는 Astra에 맞춰 스킬 설명과 AGENTS.md를 재검토하라고 권합니다. 적용 범위가 넓거나 충돌하는 설명은 불필요한 스킬을 불러올 수 있습니다. 모든 수정 전에 전체 문서를 읽게 하거나 검사를 과하게 반복시키는 지침도 재검토 대상입니다. 2026-09-11 공식 지침.
이 권고를 Sillok에 적용하면 방향이 분명해집니다. 필요한 원천은 정확하게 연결하고, 일반적인 사고 절차는 덜 강제합니다. 모델이 바뀔 때는 문서의 양보다 각 지침이 현재 업무에 필요한지 확인합니다.
Part 3하네스 자체의 불필요한 탐색을 줄였습니다
먼저 모델을 호출하지 않는 실행 경로를 측정했습니다. 후보 파일을 발견하는 과정에서 제외할 디렉터리까지 들어갔다가 버리는 비용이 있었습니다. 탐색 전에 가지를 잘라내도록 바꾸고 같은 물리적 작업 폴더에서 전후 구현을 짝지어 실행했습니다.

탐색 함수의 중앙 지연은 92.460ms에서 38.468ms로 58.4% 감소했습니다. 같은 실행 안에서 후보와 순서의 보존도 확인했습니다. 공유 훅의 계측 중앙 지연은 328.964ms에서 274.209ms로 16.6% 감소했습니다. 공유 훅 27쌍에서 선택한 팩·마이크로에이전트와 출력 본문은 동일했습니다.
이 비교는 따뜻한 레지스트리 캐시와 텔레메트리 기록을 끈 조건에서 진행했습니다. 운영체제 부하와 파일 캐시를 완전히 통제하지는 못했습니다. 그래도 모델 요청 없이 개선된 구간과 보존한 동작을 함께 확인할 수 있었습니다. 출처는 본문에 공개한 자체 실험 요약과 원자료 대조 기록입니다.
구조적인 결함도 함께 수정했습니다. 원천 검색에 쓰는 입력이 Python 프로세스에 전달되지 않던 경로를 고쳤습니다. 일반 요청에 자동으로 메타 프롬프트를 더하던 동작은 기본값에서 비활성화했습니다. 필요한 정보는 제대로 전달하고, 자동 부가 동작은 줄이는 방향입니다.
Part 436회 통과와 입력 증가를 함께 읽어야 합니다
다음은 실제 파일을 읽고 고치는 복합 과제입니다. 일정 계산, 버전 캐시, 매출 집계, 가중 품질 계산, 날짜 기준 근거 판정, 자원 제약 일정의 여섯 과제를 만들었습니다. 정답 판정기는 실행 전에 고정했습니다. 기준 구현은 통과하고, 준비한 오답과 조작 입력은 거부하는지도 먼저 확인했습니다.

B도 기본 호스트 지침이 있는 조건입니다. H와 S는 추가 문맥을 하나의 사용자 메시지에 넣은 정적 재현입니다. 실제 Sillok 훅의 지침 채널과 우선순위를 그대로 재현한 실험은 아닙니다. 실행 순서를 무작위화해 한 호스트에서 순차 실행했고, 실행당 제한은 600초였습니다. Codex 버전은 0.154 계열입니다.
표 전체가 보이지 않으면 좌우로 이동해 보세요.
| 조건 | 산출물 통과 | 평균 시간 | 중앙 시간 | 평균 누적 입력 토큰 |
|---|---|---|---|---|
| B · 공통 호스트 | 12/12 | 81.03초 | 85.66초 | 117,621 |
| H · 공유 훅 문맥 추가 | 12/12 | 87.29초 | 86.83초 | 131,040 |
| S · 정본 지침까지 추가 | 12/12 | 92.38초 | 77.50초 | 176,540 |
표 1. Project Research 자체 복합 과제 실험, 2026-09-13 집계입니다. 입력 토큰은 여러 도구 왕복에서 누적된 세션 수치이며 캐시 입력을 포함합니다. 첫 프롬프트 길이나 청구 금액으로 읽으면 안 됩니다. 내부 원자료는 비공개이며 방법과 집계값을 이 글에서 공개합니다.

36회 모두 정상 종료했고 최종 산출물도 통과했습니다. 다만 세 조건이 모두 만점에 도달한 표본에서는 품질 차이를 보기 어렵습니다. 이 결과는 이 과제에서 실패를 관측하지 않았다는 뜻입니다. 하네스가 품질을 높였다거나 품질에 아무 영향이 없다는 입증은 아닙니다.
시간도 한쪽 값만 고를 수 없습니다. S의 평균은 B보다 길지만 중앙값은 짧았습니다. 여섯 과제를 묶음으로 재표집한 탐색적 95% 구간에서 S−B 평균 시간 차이는 −6.06~+27.78초였습니다. 10,000회 재표집, 고정 seed 20260913을 사용했으며 구간은 0을 포함합니다. 안정적인 속도 우열을 주장하기에는 근거가 부족합니다.
이 과제는 필요한 정보가 입력 안에 있는 합성 문제였습니다. 선택적인 외부 검색도 공통으로 제한했습니다. 따라서 Sillok의 잠재 효익인 사내 원천 발견을 켜고 겨룬 비교가 아닙니다. 지침 간섭과 비용을 살피는 실험에 더 가깝습니다.
Part 5최근 2주에는 어떤 결과를 만들었습니까
2026년 8월 31일부터 9월 13일까지, 14개 달력일의 작업 기록을 살펴봤습니다. 그중 산출물과 실제 파일 작성 행동을 Astra 모델 기록에 연결할 수 있는 사례 여섯 개를 선정했습니다. 확인된 사례는 9월 11~13일에 집중됩니다. 2주 전체의 작업량이나 성공률을 집계한 목록은 아닙니다.
커밋 작성자 이름만으로 모델을 추정하지 않았습니다. 로컬 실행 기록의 모델 식별자와 같은 턴의 파일 생성·수정 행동을 대조했습니다. 아래 검증값은 당시 기록이며 이번 글을 쓰면서 전부 재실행한 값은 아닙니다. 고객과 개인의 원문은 제외했습니다.
1. 라이브 요약에 근거와 복구 경로를 붙였습니다
9월 11~12일, Astra max 작업입니다. 요약문 생성에서 근거 연결·정정·Viewer·마감 묶음까지 이어지는 실행 경로를 구현했습니다. 당시 Python 회귀 38개와 화면의 문서 구조 계약을 확인했습니다. 과거 자료 83개·128,389구간을 재생한 결과에는 미래 정보 유입과 구현된 근거 검사 오류가 0건으로 기록돼 있습니다.
실제 화면 확인은 당시 차단됐고 인증 연동과 참가자의 학습 효과도 확인하지 않았습니다. 이 사례의 성과는 검증과 복구가 가능한 실행 구조를 만든 것입니다. 현장 효과를 측정했다는 뜻은 아닙니다.
2. 누적 기록에서 근거를 찾는 경로를 고쳤습니다
9월 11~12일, Astra max 작업입니다. 자동 입력과 반향이 작업 증거로 섞이는 경로를 정리했습니다. 기록을 실제 산출물과 대조하고 검색·평가 오류를 수정했습니다. 당시 결과 문서는 관련 회귀 합계 130개와 자산 접지 검사 10/10 통과를 기록합니다.
확인한 것은 특정 수집·평가 오류의 수정입니다. 누적 저널 전체의 사실을 검증하거나 생산성 증가를 측정한 것은 아닙니다. 하네스가 모델에 전달할 원천의 신뢰성을 관리한 사례입니다.
3. 작업 공간을 정리하며 목록 누락도 복구했습니다
9월 12일, Astra max 작업입니다. 고유 변경과 필요한 산출물을 확인한 뒤 완료된 보조 작업 공간 4개를 정리했습니다. 그 과정에서 검색 목록 누락 97건을 복구했습니다. 목록은 1,483건에서 정본과 같은 1,580건이 됐고, 당시 대조의 누락·중복은 0건이었습니다.
목록과 파일의 정합성을 복구한 결과입니다. 목록에 담긴 모든 내용의 의미가 옳다는 검증으로 확대하지 않았습니다. 범위를 정하고 보존할 것을 확인하는 절차가 실제 변경 작업에 연결됐습니다.
4. 운영 현황에 신선도와 접근성 검사를 연결했습니다
9월 12~13일, Astra xhigh 작업입니다. 주간 사용량 리포트의 집계·신선도 검사·운영 경보를 정비했습니다. 차트·필터·CSV 내보내기·키보드 조작도 연결했습니다. 당시 종료 기록에는 pytest 58개와 접근성 검사 네 상태의 위반 0건이 남아 있습니다.
검증한 화면과 그 시점의 상태에 한정됩니다. 미래의 경보 정상 작동이나 모든 화면의 접근성을 보증하지 않습니다. 개인 사용량과 비용 총액은 공개하지 않았습니다.
5. 자료 수와 프로젝트 수를 구분했습니다
9월 12~13일의 ATLAS 정제 작업입니다. 초기 구현은 Astra xhigh, 후속 마감은 ultra 기록이 확인됩니다. 원천 1,580건을 보존하면서 프로젝트 624건, 지원 자료 208건, 제외 748건으로 구분했습니다. 분류 이유와 부모 연결을 남기고 변경된 원천은 검토 후 반영하도록 만들었습니다.
당시 Python 25개·Node 32개·브라우저 8개의 검증 기록이 있습니다. 저장소 전체 TypeScript 검사는 기존 타입 문제로 실패했습니다. 독립 검토자가 1,580건의 의미를 다시 전수 판정한 것도 아닙니다. 데이터 모델 정제와 제한된 검증의 결과로 읽어야 합니다.
6. 하네스에 대한 의심을 실험으로 바꿨습니다
9월 12~13일, 이번 감사의 작성·오케스트레이션 기록은 Astra ultra입니다. 원시 기록과 고정 판정기를 갖춘 실험을 구성하고 구조 결함을 수정했습니다. 관련 회귀 100/100과 같은 문맥의 공유 훅 지연 감소를 확인했습니다.
별도로 실행한 파일·도구 과제 36회는 high였습니다. ultra로 실험을 설계한 작업과 high로 측정한 평가 실행을 구분해야 합니다. Fable과 native 전체 경로의 미검증을 결과에 남긴 것도 이 작업의 일부입니다.
Part 6시너지가 깨지는 조건도 확인했습니다
회의 가능 시간을 계산하는 API 과제에서 회의 준비·회의록 계약이 선택되는 경로가 있었습니다. 가중 품질 계산 과제에서도 보고서 작성 계약이 붙었습니다. 단어가 같아도 수행하려는 일은 다릅니다. 이런 지침은 모델의 주의를 실제 과제에서 다른 곳으로 돌릴 수 있습니다.
이번 도구 과제의 최종 산출물 실패가 이 경로 때문에 발생한 것은 아닙니다. 확인한 것은 오선택 경로와 추가 계약입니다. 기존 라우팅 검사 154건이 통과하더라도, 기대 팩을 포함하기만 하면 되는 검사는 불필요한 팩의 동시 선택을 놓칠 수 있습니다. 앞으로는 선택되면 안 되는 조건도 검사해야 합니다.
긴 입력의 전달 경계도 남았습니다. 이 macOS 호스트에서는 약 1MiB 입력을 명령 인자로 넘기는 경로에서 인자 길이 오류가 관측됐습니다. 해당 경로의 종료코드가 0이어도 정상 처리를 뜻하지 않았습니다. 다른 운영체제의 한계까지 같은 값으로 일반화하지 않았습니다.
실제 native 훅이 모델 문맥까지 도착하는지는 별도의 한 세션에서 확인을 시도했습니다. 예상 표식과 완료 기록이 없어 전달 성공을 입증하지 못했습니다. 훅 미호출인지 초기 실패인지는 분리하지 못했습니다. 정적 문맥 실험의 통과를 native 전체 경로의 통과로 바꿀 수 없는 이유입니다.
Fable 비교도 이용 한도 오류로 실행되지 않았습니다. 요청한 모델을 바꾸어 빈칸을 채우지 않았습니다. 이번 글은 Fable의 상대 성능이나 업그레이드 전후 차이를 판정하지 않습니다.
Part 7ultra의 시너지는 이렇게 검증할 수 있습니다
상관관계만 보려면 함께 좋아진 기록을 모으면 됩니다. 하지만 하네스가 어느 조건에서 얼마나 기여하는지 알려면 같은 업무를 통제해 비교해야 합니다. 다음 실험에서는 먼저 호스트의 ultra 설정이 실제 요청에 어떻게 기록되는지 확인해야 합니다.
그다음 effort를 고정한 채 최소 구성과 목적에 맞는 Sillok 구성을 비교합니다. high와 ultra 각각의 차이를 구한 뒤 두 차이가 달라지는지 봅니다. 정확도처럼 높을수록 좋은 지표라면 아래 식이 상호작용의 질문을 정리해 줍니다. 이것은 실험 설계식이며 계산된 결과가 아닙니다.
하네스 효과(high) = 품질(Sillok, high) − 품질(최소 구성, high)
하네스 효과(ultra) = 품질(Sillok, ultra) − 품질(최소 구성, ultra)
상호작용 = 하네스 효과(ultra) − 하네스 효과(high)두 구성에는 같은 자료 접근권과 같은 도구를 줍니다. 한쪽에만 정답 문서를 주면 자료 접근의 효과와 라우팅 설계의 효과가 섞입니다. 최소 구성도 같은 자료를 찾을 수 있게 하고, Sillok의 선택·회수·적용 과정이 차이를 만드는지 확인합니다.
단순 계산뿐 아니라 최신 결정 문서를 찾아야 하는 업무를 넣습니다. 여러 턴의 후속 지시, 문맥 압축, 오래된 문서와 새 문서의 충돌도 포함합니다. 실제 훅의 발생과 전달, 필요한 원천의 열람, 최종 산출물을 하나의 추적 기록으로 연결합니다.
시너지의 운영 기준도 미리 정할 수 있습니다. 같은 예산에서 더 정확한 결과를 얻거나, 같은 수용 수준을 더 적은 재작업으로 달성하는 것입니다. 사용량이 늘어도 어려운 업무의 누락과 재작업이 충분히 줄면 가치가 있을 수 있습니다. 반대로 자족적인 짧은 과제에서는 추가 절차를 줄이는 편이 나을 수 있습니다.
Part 8하네스의 용도가 시너지의 조건을 결정합니다
Sillok의 역할은 강한 모델이 실제 업무를 완수할 수 있도록 필요한 정보를 연결하는 것입니다. 모델의 일반적인 판단을 지나치게 지시하지 않으면서, 조직만 아는 사실과 작업별 완료 조건은 분명하게 제공합니다. 여기에 검증 가능한 도구와 짧은 피드백 경로를 붙입니다.
이번 실험에서는 하네스의 국소 지연을 줄일 수 있었습니다. 같은 합성 과제에서 품질 차이는 관측하지 못했고 평균 누적 입력 토큰의 증가는 확인했습니다. 최근 작업 성과는 이 조합이 실제로 어떤 일을 수행했는지 보여주지만, 하네스나 ultra만의 기여분을 분리한 수치는 아닙니다.
이번 주에는 반복 업무 하나를 골라볼 수 있습니다. 모델과 effort는 그대로 두고, 없어도 되는 지침 하나를 뺀 구성과 필요한 원천을 정확히 연결한 구성을 비교해 보세요. 무엇을 더 넣었는지보다 무엇이 정확해졌고 재작업이 얼마나 줄었는지를 기록하면 다음 설계 판단이 쉬워집니다.
이어 읽을 글
- 하네스와 검색증강생성(RAG)을 한 파일로 연결하는 myDNA.md에서는 최소 구현의 출발점을 설명합니다.
- 하네스를 늘리는 것과 기르는 것의 차이는 자산이 많아진 뒤의 관리 문제를 다룹니다. 두 글의 과거 수치를 이번 실험 결과로 소급 검증한 것은 아닙니다.
자료와 공개 범위
실험 기준일은 2026-09-13입니다. 자체 자료는 두 차례의 Sillok 감사와 후속 개선 기록, 고정 판정기, 실행 집계, 최근 작업의 파일 변경·검사 기록입니다. 최초의 짧은 응답 실험 90회와 이번 도구 실험 36회는 과제 조건이 달라 하나의 정답률로 합치지 않았습니다.
원시 대화와 저장소는 비공개입니다. 이 글은 실험 조건·집계값·실패 경계·공개 가능한 작업 요약을 제공하며, 외부 독자가 비공개 원자료까지 재실행할 수 있는 공개 벤치마크는 아닙니다. 공식 문서는 각 문단의 링크로 연결했습니다. 이후 모델과 호스트가 바뀌면 같은 조건인지 다시 확인해야 합니다.
- X-1 AI/AX 2030 전략: McKinsey, BCG, Accenture, Deloitte, Gartner 교차 분석
- X-2 빅테크 리더십 격변과 AX 전략
- X-3 2026년 GitHub에서 주목할 프로젝트와 AI 전환 신호
- X-4 AI 에이전트 2026 상반기 대해부 — 지금 무슨 일이, 리더는 무엇을
- E-1 AI 네이티브 기업 전환 — CHO·PMO 재정의
- E-2 한국 기업 AX 2030 (Capstone)
- E-3 NH농협은행 SAFe 애자일 3년 — 페이스메이킹의 기록
- E-4 하나은행 × BCG 애자일 전환 — 두 개의 리듬으로
- E-5 네이버랩스 AKI — 하이브리드 애자일 PMO로 7개 제품을 한 박자로
- E-6 일곱 도메인 업무 흐름 지도 — 내 도메인의 게이트는 어디에 걸려 있나
- EO-1 우리 회사 업무, 어디까지 Agent에 맡길까
- EO-2 사내 RAG의 진짜 테스트: 부서 이동과 문서 개정을 견디는가
- EO-3 회의록에서 업무 등록까지: 중복 실행을 막는 Agent
- EO-4 Agent 성적표: 답변·업무 완료·재작업을 함께 재기
- EO-5 전문가의 지식은 어떻게 다음 프로젝트의 근거가 되는가
- EO-6 Agent 도입 30일, PMO는 무엇을 보고 계속할지 결정할까
- EO-7 Sillok × Astra/ultra: 시너지를 판정하는 업무 실험
- EO-8 공공 SI와 제조 SCM, 같은 Agent에서 달라지는 경계
- SX-1 실사구시 AX 1부 — 에이전트 요구 637건, 사내 챗봇은 5%
- SX-2 실사구시 AX 1부 — 첫 과제는 우리 부서 일의 지도
- SX-3 실사구시 AX 1부 — 사내 데이터를 AI에 열 때 정할 세 가지
- SX-4 실사구시 AX 2부 — 월례 사례 발표로 확산을 굴리기
- SX-6 실사구시 AX 2부 — 주간보고보다 매일 남는 증적
- SX-7 실사구시 AX 3부 — PMO를 두면 감리를 생략할 수 있을까
- SX-8 실사구시 AX 3부 — 발주처 AI와 먼저 붙여 보는 War Game
- SX-9 실사구시 AX 4부 — 계약이 끝나면 누가 고치나, 인수 부트캠프
- SX-11 실사구시 AX 4부 — 중견 제조사의 AX 6개월, 무엇을 만들고 무엇을 넘겼나
- B-1 AI 시대 PM의 역할 변화: 팀 모드의 중요성
- B-2 AI 시대, PO·PM·PL과 사무직의 역할이 근본부터 바뀐다
- B-3 AI 시대, PM/PL의 역량이 근본부터 바뀌어야 하는 이유
- B-4 AI 시대의 PMBOK 8판 훈련 전략
- B-5 Agentic 시대, PM/PL과 엔지니어는 무엇을 준비해야 하는가
- B-6 AI 인재, 무엇을 준비할 것인가 — 11+1 역량 지도
- B-7 PO·PM·PL 역량 통합: 5-Domain × 3-Level
- B-8 역량은 합치고, 결정권은 나눕니다 — AI/AX 인재 역량정의서
- B-9 AI는 답보다 ‘낯선 수’를 줄 때 사람을 키웁니다 — 바둑 연구로 본 AI 자기개발
- R-0 직군이 아니라 역할이다 — Agentic 팀의 다섯 원형
- K-1 Agentic 시대, PM의 온톨로지맵 — Obsidian을 통해 나만의 RAG를 만드는 법
- K-2 Karpathy의 LLM과 Obsidian 지식 결합
- K-3 Karpathy의 autoresearch: PM에서의 적용 사례
- K-5 Karpathy LLM OS 시각으로 본 AX PM/PL 역량 — Claude Code 소스 교차 분석
- K-6 30시간 RAG 실측 — Karpathy llm-wiki vs obsidian-vault 양강 비교
- K-7 구글 OKF·Obsidian Vault·llm-wiki — 무엇을 어떻게 시작할까
- K-8 Obsidian × LLM 4만 노트 — 개인 RAG 최종 아키텍처 5층
- K-9 PM 온톨로지맵 템플릿 배포판 — 30분에 채우는 5칸
- K-10 기업 RAG 운영 교훈 입구 — 벡터 DB보다 다시 찾는 고리 · 정답률 12%→54%
- K-11 기업 RAG 운영 교훈 1 — 먼저 넣고 모자랄 때 찾기 · AI 호출 43% 절감
- K-12 기업 RAG 운영 교훈 2 — 인용 점검기·퇴역 기준 · RAG 8개 운영 기록
- K-13 기업 RAG 운영 교훈 3 — 근거는 권한을 더하지 않는다 · 숨은 지시 실험
- G-1 삼성전자 GAUSS PM Agent: 효과적 설계로 주니어 PM 지원하기
- G-2 주니어 PM 위한 AI 하네스 구축 가이드
- G-4 삼성 DX 엔지니어를 위한 Codex 온보딩 — 하네스 & 개인 RAG
- G-5 나의 Agent 비서, 블록 12개로 조립한다 — 재사용 블록과 77%의 법칙
- G-6 내 업무를 맡길 AI 에이전트 — 6블록 설계와 PROFILE BIND
- CC-4 내 노트 4만 개 검색 — LLM 직접 읽기 vs 전용 CLI, 하이브리드 5.5배
- CC-5 Obsidian 노트를 앱 없이 검색 — 오픈소스 byeori(벼리)
- CC-6 사내 지식을 RAG로 — 망분리·토큰0 6단계
- G-8 4.5TB 클라우드 단일화 — Mac × 클라우드 × Agentic 업무환경
- A-5 Fable 5와 보낸 첫 하루 — 모델 × 하네스 × RAG 실측 회고
- A-6 맥은 이미 AI 워크스테이션 — 사진·노트·인박스 0원 정리
- A-7 Mac@Work 2026 — 맥 20년차의 도구 모음과 Agentic 카테고리
- A-8 좋은 엔진은 없다, 맞는 엔진이 있다 — Codex/Sol vs Claude/Fable 5대 실전 비교
- A-9 프롬프트는 형식을, 사내 RAG는 판단을 채웠습니다 — PMO 문서 2×2 실험
- A-10 Claude·OpenAI·Apple·Qwen 엔진 11개로 잰 질의응답 품질과 비용 — 답변 310건 실측
- CC-3 Opus xhigh 솔로 vs ultracode 멀티에이전트 — 작업유형별 A/B 실측
- G-3 대기업 직장인을 위한 AI Agent & Skill 추천 가이드 2026
- G-7 녹취 엔진 두 레인 — SpeechAnalyzer와 Alt, 코칭·컨설팅 6장면 판단표
- CC-7 Claude Code × GPT-5.6 Sol — CCR vs 순정 Codex 7시나리오 실측
- P-0 7인의 사고 체계 종합 프레임워크
- P-1 PM 코치가 바라보는 AI 전문가 탐구 1편: Andrej Karpathy
- P-2 Sutskever: 압축이 곧 지능이다
- P-3 Hassabis: 제1원리 분해
- P-4 LeCun: 세계 모델 + 예측
- P-5 Hinton: 거버넌스 + 자기부정
- P-6 Ng: AI 전환 플레이북
- P-7 Fei-Fei Li: 인간중심 설계
- P-8 Builders 종합: Boris·Cat·Truell·Masad·Murati·Brockman
- P-9 Operators 종합: Altman·Amodei·Nadella·Pichai·Zuckerberg·Suleyman
- P-10 Hardware 양강: Jensen Huang · Lisa Su
- P-11 DeepSeek 량원펑 — 연속 학습의 공백과 하네스
- S-1 Agentic PM의 시대가 열리다 — LG전자 SW PM 워크숍을 마치며
- S-2 삼성전자 PMC: AI와 함께하는 PM 교육 혁신
- S-3 SKT Agent 도출을 위한 AI 퍼실리테이션 기법
- S-4 리스크는 그릇이었다 — LG전자 SW공학연구소 GenAI RISK 워크숍
- S-5 코드 한 줄 없이 손익관리팀이 만든 에이전트 — 신한EZ손해보험
- S-6 “어디까지 입력해도 되나요?” — 삼성 구매 현장의 Agentic 각성
- S-8 ‘바이브 프로젝트 매니징’을 스스로 이름 붙였습니다 — 현대모비스 편
- S-9 “대충 시키면 다 해줄 줄 알았는데” — SK쉴더스 보안 PM들의 이틀
- S-16 “완료했습니다”가 서로 다른 뜻이었다 — 다섯 차수 종료 회고 NEW
- PS-2 공공 PM이 ‘AI 이용자’에서 ‘AI 활용자’로 — 아이티센 편
- S-17 기준 문서를 내 업무로 다시 쓰자 — FITI시험연구원 관리자 AX NEW
- S-18 PM·컨설턴트를 FDE로 세우는 실무 훈련 — KT DS AX PO·PM NEW
- S-19 근거로 검증하는 발주 담당자로 — 코레일 AX PMO NEW
- S-20 큰 그림은 표준으로, 상세는 AI로 — 삼성전자 AX PMC NEW
- S-21 내 Epic을 포트폴리오에 올리자 — LG전자 SW PM·리스크 NEW
- M-1 Agentic PM 시리즈 진입 가이드 — 전체를 한 장으로
- Z-1 실록(Sillok) — 5세기 Audit-Grade 거버넌스를 LLM 운영에 빌려온 한국형 LLMOS 하네스
- Z-2 실록(Sillok) 2026 상반기 결산 — RAG·고객사·지능화 루프·오픈소스
- Z-3 하네스×RAG 기업 컨설팅 — 네 현장·환각 방지·TOP10 자가진단·진화 루프
- Z-4 하네스 엔지니어링 백서 — Weng 하네스론×실록 구조 매핑·자기개선 루프·정직한 결산
- Z-5 에이전트 스킬 수명주기 백서 — Dynamic Agent Skills 8단×실록 매핑(7 온전+1 갭)·분기 12문항 레퍼런스·PO/PM/PL 컨설팅 직역
- Z-6 AX 시리즈 100편 기념 특집 — 실록·3층 RAG 운영 실측: 대시보드 5장 해설·구조 도식 2장·지식 구조 7층·강의/프로젝트/발행 3사례·응용분야·정지 사고 공개
- W-1 Agentic 월간 관전포인트 2026-05 — 가우스+빅테크 듀얼 모델 시대
- W-2 Agentic 2026 상반기 총결산 — 다섯 축 6개월
- Z-7 100편 기념 특집 2편 — 배치 사다리 6단·수명주기 22일/90일·계측 3지표 (팩 119 중 16개가 라우팅 80% 실측)
- Z-8 100편 기념 특집 3편 — 위임 경계=비가역성·88스텝 중 45개(51%) 사람 확정·비가역 6갈래·4칸 표 템플릿
- Z-9 하네스 운영 교훈 1 — 느린 턴은 왕복 수 · 794턴 실측 · 속도 계약·결정 요청 계약
- Z-10 하네스 운영 교훈 2 — 토큰 비용 · 캐시 95.7% · 가격표 빈칸 착시 · 성공 작업당 비용
- Z-11 하네스 운영 교훈 3 — 규칙↔집행 장치 원장 · 41개 중 21개 문장뿐 · 경고 1,698회 미전달
- Z-12 하네스 운영 교훈 4 — 관측 vs 엔진 · 운영 구성요소 1-in-1-out 예산 · 동결 나흘 뒤 초과
- Z-13 하네스 운영 교훈 5 — 에이전트 기억 회수 · 39% 미사용 · 4층 기억 · 한 원장
- Z-14 하네스 운영 교훈 특별편 — AI 주도 개발(AIDD) 가드레일 · DORA·METR·국내외 동향 · 도입 5단계